2:30 ص
فيزياء البصريات
في حين أن فيزياء الطاقة وعلم الكونيات ذات الطاقة العالية تبدو متباينة بين العالمين من حيث الحجم الهائل ، فإن علماء الفيزياء وعلماء الكونيات في أرجون يستخدمون أساليب مماثلة للتعلم الآلي لمعالجة مشكلات التصنيف لكل من الجسيمات دون الذرية والمجرات.
تبدو فيزياء وعلم الكونيات ذات الطاقة العالية عوالم متباينة من حيث الحجم الهائل ، ولكن المكونات غير المرئية التي تضم مجالًا واحدًا تُخبر تكوين وديناميكية الآخر - النجوم المنهارة ، والسدم المولود للنجوم ، وربما المادة المظلمة.
على مدى عقود ، كانت التقنيات التي درس بها الباحثون في كلا المجالين مجالاتهم تبدو غير متوافقة ، أيضًا. اعتمدت فيزياء الطاقة العالية على المعجلات والكاشفات للحصول على نظرة ثاقبة من التفاعلات النشطة للجزيئات ، بينما نظر علماء الكون في جميع أنواع التلسكوبات للكشف عن أسرار الكون.
في حين لم يستسلم أي منهما للمعدات الأساسية في مجاله الخاص ، يهاجم الفيزيائيون وعلماء الكونيات في مختبر أرغون الوطني التابع لوزارة الطاقة الأمريكية المشكلات المعقدة متعددة النطاق باستخدام أشكال مختلفة من تقنية الذكاء الاصطناعي تسمى التعلم الآلي.
يمكن للتعلم الآلي ، الذي تم استخدامه بالفعل في العديد من المجالات ، أن يساعد في تحديد الأنماط المخفية من خلال التعلم من إدخال البيانات وتحسين التنبؤات المتعلقة بالبيانات الجديدة تدريجياً. يمكن تطبيقه على مهام التصنيف المرئي أو في الاستنساخ السريع للحسابات المعقدة والمكلفة حسابياً.
مع إمكانية تغيير طريقة إجراء العلم جذريًا ، ستساعدنا تقنيات الذكاء الاصطناعي هذه على فهم أفضل لتوزيع المجرات في جميع أنحاء الكون أو تصور أفضل لتشكيل جزيئات جديدة قد نستنتج منها فيزياء جديدة.
"على مدار العقود الماضية ، قمنا بتطوير خوارزميات تقليدية تعيد بناء تواقيع مختلف الجسيمات التي نهتم بها" ، قال السيد تايلور تشايلدرز ، عالم فيزياء الجسيمات وعالم الكمبيوتر في مرفق أرغون للحوسبة الحاسوبية (ALCF) ، وهو مكتب تابع لوزارة الطاقة. مرفق مستخدم العلوم.
وأضاف "لقد استغرق الأمر وقتًا طويلاً لتطويرها وهي دقيقة للغاية". "ولكن في الوقت نفسه ، سيكون من المثير للاهتمام معرفة ما إذا كانت تقنيات تصنيف الصور من التعلم الآلي التي تم استخدامها بنجاح من قبل Google و Facebook يمكنها تبسيط أو تقصير عملية تطوير الخوارزميات التي تحدد توقيعات الجسيمات في أجهزة الكشف ثلاثية الأبعاد الخاصة بنا."
يعمل تشايلدرز مع علماء الفيزياء ذوي الطاقة العالية في أرجون ، وجميعهم أعضاء في التعاون التجريبي ATLAS في CERN's Hadron Collider (LHC) ، أكبر وأقوى مصادم للجسيمات في العالم. نظرًا لحل مجموعة واسعة من مشكلات الفيزياء ، يجلس كاشف ATLAS على ثمانية طوابق ويبلغ طوله 150 قدمًا عند نقطة حول حلقة تصادم محيطية لـ LHC يبلغ طولها 17 ميلًا ، حيث يقوم بقياس منتجات البروتونات التي تصطدم بسرعات تقترب من سرعة الضوء.
وفقًا لموقع ATLAS ، "يحدث أكثر من مليار تفاعل جسيم في كاشف ATLAS كل ثانية ، وهو معدل بيانات يعادل 20 محادثة هاتفية متزامنة يعقدها كل شخص على الأرض."
في حين أن نسبة صغيرة فقط من هذه التصادمات تعتبر جديرة بالدراسة - حوالي مليون في الثانية - إلا أنها لا تزال توفر مجموعة من البيانات للعلماء لاستكشافها.
تخلق تصادمات الجسيمات عالية السرعة هذه جزيئات جديدة في أعقابه ، مثل الإلكترونات أو الاستحمام بالكواركات ، ويترك كل منها توقيعًا فريدًا في جهاز الكشف. هذه هي التوقيعات التي يود تشايلدرز التعرف عليها من خلال التعلم الآلي.
ومن بين التحديات التقاط هذه التوقيعات الطاقة كصور في الفضاء ثلاثي الأبعاد معقدة. الصورة ، على سبيل المثال ، هي في الأساس تمثيل ثنائي الأبعاد للبيانات ثلاثية الأبعاد ذات مواضع رأسية وأفقية. تكون بيانات البكسل ، والألوان الموجودة في الصورة ، موجهة بشكل مكاني ولديها معلومات مكانية مشفرة فيها - على سبيل المثال ، تكون عيون القط بجانب الأنف ، والأذنين أعلى اليمين واليسار.
"لذا فإن اتجاههم المكاني مهم. وينطبق الشيء نفسه على الصور التي نلتقطها في LHC. وبما أن الجسيم يجتاز كاشفنا ، فإنه يترك بصمة طاقة في أنماط مكانية خاصة بالجزيئات المختلفة" ، أوضح تشايلدرز.
أضف إلى ذلك مقدار البيانات المشفرة ليس فقط في التواقيع ، ولكن في الفضاء ثلاثي الأبعاد من حولهم. حيث تتعامل أمثلة تعلم الآلة التقليدية للتعرف على الصور - تلك القطط ، مرة أخرى - مع مئات الآلاف من البكسل ، تحتوي صور ATLAS على مئات الملايين من وحدات البكسل.
وقال إن الفكرة إذن هي التعامل مع صور الكاشف على أنها صور تقليدية. باستخدام تقنية التعلم الآلي التي تسمى الشبكات العصبية التلافيفية - والتي تتعرف على كيفية ارتباط البيانات من الناحية المكانية - يمكنها استخراج مساحة ثلاثية الأبعاد لتحديد خصائص الجسيمات المحددة بسهولة أكبر.
تُظهر الصورة حلقة آينشتاين (يمين الوسط) تشكلت من خلال عدسة الجاذبية لمجرة تشكل النجوم (زرقاء) بواسطة مجرة حمراء مضيئة ضخمة (برتقالية). تم اكتشاف هذا النظام لأول مرة بواسطة Sloan Digital Sky Survey في عام 2007 ؛ أنا السحراء هي من تلسكوب هابل الفضائي. الائتمان: ناسا
يأمل تشايلدرز في أن تحل خوارزميات التعلم الآلي هذه في نهاية المطاف محل الخوارزميات التقليدية المصنوعة يدويًا ، مما يقلل بشكل كبير من الوقت الذي تستغرقه لمعالجة كميات متشابهة من البيانات وكذلك تحسين دقة النتائج المقاسة.
وقال "يمكننا أيضا استبدال التطوير الذي دام عقدًا من الزمن للكشف عن أجهزة جديدة وتقليل ذلك بنماذج تدريب جديدة للكشف عن المستقبل".
مساحة أكبر
يستخدم علماء الكون في أرجون أساليب مماثلة للتعلم الآلي لمعالجة مشكلات التصنيف ، ولكن على نطاق أوسع بكثير.
وقال سلمان حبيب ، مدير قسم علوم الحوسبة في أرغون ونائب مدير قسم الفيزياء العليا للطاقة ، "المشكلة في علم الكونيات هي أن الأشياء التي ننظر إليها معقدة وغامضة". "لذلك يصبح وصف البيانات بطريقة أبسط أمرًا بالغ الصعوبة."
يستفيد هو وزملاؤه من أجهزة الكمبيوتر العملاقة في أرغون وغيرها من معامل وزارة الطاقة الوطنية لإعادة بناء تفاصيل الكون ، المجرة بواسطة المجرة. إنهم يقومون بإنشاء كتالوجات مجرة محاكاة مفصلة للغاية يمكن استخدامها للمقارنة مع البيانات الحقيقية المأخوذة من تلسكوبات المسح ، مثل تلسكوب المسح الكبير Synoptic ، وهي شراكة بين وزارة الطاقة ومؤسسة العلوم الوطنية.
ولكن لجعل هذه الأصول ذات قيمة للباحثين ، يجب أن تكون قريبة من الواقع قدر الإمكان.
قال حبيب ، إن خوارزميات التعلم الآلي جيدة جدًا في اختيار الميزات التي يمكن وصفها بسهولة بالهندسة - مثل تلك القطط. ومع ذلك ، على غرار التحذير من مرايا المركبات ، فإن الأجسام الموجودة في السماء ليست دائمًا كما تظهر.
خذ ظاهرة العدسة الجاذبية القوية ؛ تشويه مصدر ضوء الخلفية - مجرة أو مجموعة مجرة - بواسطة كتلة متداخلة. يؤدي انحراف مسارات الأشعة الضوئية من المصدر بسبب الجاذبية إلى تشويه شكل مصدر الخلفية وموقعه وتوجهه ؛ يوفر هذا التشويه معلومات حول التوزيع الشامل للكائن المتداخل. الوضع الفعلي للرصد ليست واضحة جدا ، ولكن.
على سبيل المثال ، قد تظهر الصورة النقطية المستديرة التي يتم عدساتها ممتدة تمامًا في اتجاه أو آخر ، في حين قد يبدو الكائن المستدير غير المقيد على شكل قرص بيضاويًا إذا تم عرضه جزئيًا على الحافة.
"إذن كيف تعرف ما إذا كان الكائن الذي تنظر إليه ليس كائنًا مستديرًا تم تدويره ، أو كائن تم عدسه؟" سأل حبيب. "هذه هي أنواع الأشياء الصعبة التي يجب أن يتمكن التعلم الآلي من اكتشافها."
للقيام بذلك ، يقوم الباحثون بإنشاء عينة تدريب من ملايين الأشياء الواقعية ، نصفها يتم عدسه. تقوم خوارزميات التعلم الآلي بعد ذلك بمحاولة معرفة الفروق بين الكائنات التي تمت عدساتها وغير المرخصة. يتم التحقق من النتائج مقابل مجموعة معروفة من الكائنات الاصطناعية ذات العدسات وغير المرخصة.
لكن النتائج تحكي نصف القصة فقط - إلى أي مدى تعمل الخوارزميات على بيانات الاختبار. للمضي قدماً في دقة البيانات الحقيقية ، قام الباحثون بخلط بعض النسبة المئوية من البيانات الاصطناعية مع البيانات التي تمت ملاحظتها مسبقًا وتشغيل الخوارزميات ، مرة أخرى ، ومقارنة مدى اختيارهم للكائنات ذات العدسات في عينة التدريب مقابل بيانات المجموعة.
وأوضح حبيب: "في النهاية ، قد تجد أنه يعمل بشكل جيد إلى حد معقول ، لكن ربما ليس كذلك كما تريد". "قد تقول" حسنًا ، هذه المعلومات في حد ذاتها لن تكون كافية ، ولست بحاجة إلى جمع المزيد. " إنها عملية طويلة ومعقدة. "
وقال إن هدفين رئيسيين لعلم الكونيات الحديث هما فهم سبب تسارع توسع الكون وما هي طبيعة المادة المظلمة. تكون المادة المظلمة أكثر بخمسة أضعاف من المادة العادية ، لكن أصلها النهائي لا يزال غامضاً. من أجل الاقتراب من الإجابة عن بُعد ، يجب أن يكون العلم مدروسًا للغاية ودقيقًا للغاية.
"في المرحلة الحالية ، لا أعتقد أننا قادرون على حل جميع مشاكلنا مع تطبيقات التعلم الآلي" ، اعترف حبيب. "لكنني أقول أن التعلم الآلي سيكون مهمًا جدًا لجميع جوانب علم الكونيات الدقيق في المستقبل القريب."
مع تطوير تقنيات التعلم الآلي وتحسينها ، من المؤكد أن تنمو فائدتها لكل من فيزياء الطاقة وعلم الكونيات بشكل كبير ، مما يوفر الأمل في اكتشافات جديدة أو تفسيرات جديدة تغير فهمنا للعالم على مستويات متعددة.
ليست هناك تعليقات: